i

CORRELACIÓN LINEAL
Midiendo la relación entre dos variables

Correlación no es sinónimo de causa-efecto

JORGE FALLAS

2012
 i

Índice

1. Introducción ......................................................................................................................... 1
2. Diagrama de dispersión ........................................................................................................ 1
3. Coeficiente de correlación lineal de Pearson ....................................................................... 2
6. Interpretación de r ................................................................................................................ 6
4. Correlación no es sinónimo de causa-efecto ........................................................................ 8
5. ¿De qué depende la intensidad de la correlación?................................................................ 9
7. Significancia de r: Prueba de hipótesis .............................................................................. 11
8. Coeficiente de correlación de órdenes de Spearman .......................................................... 16
8.1. Prueba de hipótesis .......................................................................................................... 18
9. Coeficiente de correlación de órdenes de Kendall's (Tau-a y Tau-b) ................................ 21
9. Bibliografía......................................................................................................................... 23
10. Ejercicios .......................................................................................................................... 25

El presente documento se distribuye bajo licencia “reconocimiento-No comercial-Compartir bajo

la misma licencia” (CC BY-NC-SA de “Creative Commons); la cual permite entremezclar,
ajustar y construir con base en su trabajo para fines no comerciales, siempre y cuando se de
crédito y licencia de sus nuevas creaciones, en términos idénticos.
 1

1. Introducción
En los capítulos anteriores hemos trabajado con variables tales como altura (h), diámetro (d) ,
precipitación y peso en forma independiente; sin embargo ¿son en el mundo real realmente
independientes dichas variables? Si observamos un bosque, podemos apreciar que usualmente los
árboles de mayor altura también tienen el mayor diámetro y viceversa. Sin embargo, es evidente
que esta relación no es perfecta, pues el árbol más alto no necesariamente tiene el mayor diámetro,
ni tampoco el árbol más pequeño tiene el menor diámetro. Esto implica que las dos variables están
correlacionadas y que el grado o intensidad de la correlación no es perfecto. Usted puede pensar en
situaciones particulares de su quehacer profesional donde se presentan situaciones similares. Esto
nos lleva a plantearnos las siguientes preguntas: dadas dos variables ¿Existe algún tipo de correla-
ción entre ellas? y en caso de existir, ¿Cuál es la dirección e intensidad de la misma?

En el presente capítulo aprenderemos a cuantificar la intensidad y dirección de la correlación

utilizando los siguientes coeficientes de correlación lineal:

R de Pearson Variables cuantitativas

Rho de Spearman Variables ordinales
Tau de Kendall Variables ordinales

2. Diagrama de dispersión
El diagrama de dispersión expresa gráficamente la relación entre dos variables cuantitativas
utilizando un sistema de ejes cartesianos. Su uso, como medio para representar gráficamente una
distribución bivariable, se atribuye a Sir Francis Galton. Por ejemplo, si estamos estudiando la
relación entre el diámetro y altura de un bosque, cada par de valores se gráfica en un sistema de
coordenadas X, Y. La figura 1 ilustra este concepto para 46 valores de diámetro (cm) y altura total
(m) de Jaúl. La distribución conjunta de diámetro y altura se denomina bivariable porque está
formada por la interacción tanto del diámetro como de la altura. Esta gráfica nos permite hacer las
siguientes observaciones:

1. Existe un alto grado de correlación lineal entre las dos variables. La naturaleza de la
asociación puede describirse adecuadamente por una recta como la trazada en la figura 1.
2. La relación es imperfecta; ya que no siempre los árboles de mayor diámetro corresponden a
árboles de mayor altura. Existe una covariación entre los dos sets de datos; sin embargo no
es perfecta.

El análisis anterior permite apreciar la importancia de graficar y determinar, en forma preliminar,

la presencia o ausencia de correlación entre las variables en estudio. El próximo paso es cuantificar
el grado y dirección de la correlación. En 1896, Karl Pearson, colega de Galton, publicó un artículo
titulado "Contribuciones matemáticas a la teoría de la evolución, III. Regresión, herencia y
panmixia"; en el cual analizó las características del coeficiente de correlación. El índice, aun cuando
no fue desarrollado por Pearson, lleva su nombre debido a esta publicación. El coeficiente de
 2

correlación de Pearson es apropiado únicamente para aquellos casos en que la asociación es lineal y
la escala de medición cuantitativa (intervalo o razón).

Con frecuencia, es necesario determinar la ausencia o presencia de correlación entre

observaciones a un nivel de medición nominal u ordinal; por ejemplo la apariencia de un producto y
su grado de aceptación en el mercado o el color de las hojas y el grado de enraizamiento en estacas.
Para estos casos debemos utilizar índices de asociación no paramétricos tales como Tau de Kendall,
Rho de Spearman o Chi-cuadrado (X2) y sus variaciones.

45
40
35
altura total (m)

30
25
20
15
10
5
0
0 10 20 30 40 50 60 70 80
d (cm)

Figura 1: Diagrama de dispersión para diámetro (cm) y altura total (m) de jaúl. La recta indica la
tendencia general de los datos.

3. Coeficiente de correlación lineal de Pearson

El coeficiente de correlación lineal de Pearson se define en términos de la covarianza de las
variables aleatorias X y Y. La covarianza es una medida que indica la forma en que X y Y varían
conjuntamente. Dadas dos variables aleatorias X y Y, con medias μx y μy y varianzas σ2x y σ2y,
respectivamente; la correlación entre X y Y está dada por:

(1)
El estimador de ρ es “r” y su fórmula es:

(2)

El estadístico “r” posee las siguientes características (ver Fig. 2):

1. El coeficiente mide la intensidad y dirección de la correlación lineal y no excluye la

posibilidad de que exista otra forma de correlación no lineal.
 3

2. Su valor fluctúa entre 1 y -1. Cuando la asociación entre X y Y es perfecta “r” es igual a 1
(todos los valores se ubican en una recta); cuando no existe correlación lineal su valor es 0.

3. El signo del coeficiente de correlación indica la dirección de la asociación. Cuando el valor

de “r” es positivo se dice que existe una correlación positiva o directa; o sea que valores
grandes de X están asociados con valores grandes de Y y viceversa. Por otra parte, si el
signo es negativo la correlación es negativa; valores grandes de X se asocian con valores
pequeños de Y y viceversa.

Figura 2: Relación entre el valor y signo del coeficiente de correlación lineal de Pearson y la
tendencia de valores.

La formula 2 facilita el cálculo de “r” sin embargo no nos permite apreciar como los valores
estandarizados de X y Y afectan su valor. Una expresión más simple y que nos permite apreciar lo
anterior es:

(3)

Donde:

son valores estandarizados de X

son valores estandarizados de Y

la media de X
la media de Y
SX la desviación estándar de X
SY la desviación estándar de X
 4

La suma de productos determina la magnitud y signo del coeficiente. La figura 3 muestra el

diagrama de dispersión para cuatro observaciones de diámetro y altura total. En los ejes X y Y se
indican los valores originales así como las desviaciones con respecto a la media de cada
observación. El diagrama se ha dividido en cuatro cuadrantes: I, II, III, y IV. Las líneas que dividen
los cuadrantes se originan en la media de cada una de las variables. Para cualquier punto, el
producto X*Y será positivo cuando las desviaciones de la media sean ambos positivos o ambos
negativos; por otra parte el producto será negativo cuando cualquiera de las desviaciones tenga un
signo opuesto. Los productos X*Y serán positivos en los cuadrantes I y III y negativos en los
cuadrantes II y IV.

Figura 3: Diagrama de dispersión para cuatro pares de valores de diámetro (cm) y altura total (m).
Las letras romanas indican los cuadrantes.

El signo de “r” está dado por el signo de los valores estandarizados en la formula tres; ya que n,
Sx y Sy son positivos. Además cuanto mayor sea el número de casos que se ubiquen en los
cuadrantes I y III o II y IV mayor será la magnitud de la suma de productos XY y por ende de r. Para
los puntos de la figura tres, el valor del “r” es 0,97.

A continuación se ilustra el uso de la fórmula tres. El número de observaciones en muy reducido

para un uso adecuado de “r”; sin embargo la simplicidad de la serie estadística permite ilustrar el
cálculo de los diferentes componentes de la ecuación.

d (cm) Alt. tot (m)

6 7
7 10
10 12
13 15

Sustituyendo los valores respectivos en la ecuación tres tenemos:

 5

Cuadro 1: Cálculo del coeficiente de correlación lineal de Pearson.

Estadísticos d (cm)(X) Alt. Tot. (m) (Y) X estandarizado Y estandarizado Producto

(1) (2) (3) (4) (5) (4)*(5)
6 7 -0,9487 -1,1882 1,1272
7 10 -0,6324 -0,2970 0,1879
10 12 0,3162 0,2970 0,0939
13 15 1,2649 1,1882 1,5029
Media 9 11 Suma 2,9119
S 3,162 3,367 n-1 3
Covarianza población 7,75 1/n-1 0,333
Covarianza muestra 10,33 R 0.97
Nota: Excel calcula la covarianza de la población y por lo tanto utiliza n en lugar de n-1.

Cuando se conoce la desviación estándar de X (Sx), de Y (Sy) y la covarianza entre X y Y

(Covxy), el coeficiente de correlación puede calcularse utilizando la siguiente fórmula:

r = Syx / Sx * Sy (4)

Para los datos del presente ejemplo Sx=3,16 cm; Sy=3,37 m y Syx=10,33. Sustituyendo los
valores en 4 tenemos que r es igual a:

r = 10,33 / (3,16*3,37) = 0,97

A continuación se muestran los cálculos realizados con XLStatics:

Single-variable
Alt. tot (m) d (cm)
Number 4 Number 4
Two-variable Mean 11 Mean 9
Number 4 St Dev 3.3665 St Dev 3.1623
Covariance 10.333 Min 7 Min 6
Correlation 0.9706 Max 15 Max 13 Correlation Coeff
R 0.9422
2
Median 11 Median 8.5 Correlation 0.970648

El coeficiente de correlación obtenido para una muestra (r) es un estimador puntual que mide la
dirección e intensidad de la covarianza de los datos analizados y no implica necesariamente que
dicho valor sea la correlación de la población (ρ). Por ejemplo, si para cuatro árboles no se obtiene
una correlación entre el diámetro y la altura, no se puede afirmar que tal correlación no existe. Como
con cualquier otro estimador, es esencial que el valor de "r" se interprete considerando las
circunstancias y condiciones bajo las cuales fue calculado.
 6

6. Interpretación de r
Al observar el valor del coeficiente de correlación podemos preguntarnos, por ejemplo, ¿qué nos
indica un r = 0,5? ó ¿Cuánto más intensa es la correlación cuando r = 0,8? El coeficiente de
correlación puede interpretarse tomando como referencia el intervalo [−1≤ ρ ≤ 1]; así como el
concepto de variabilidad. A continuación se discute cada enfoque.

6.1. Valor de r con respecto a 0, 1 y -1

Esta es una de las formas más simples de interpretar el valor de “r”. Valores cercanos a cero
indican poca o ninguna de correlación lineal, en tanto que valores cercanos a uno indican un alto
grado de correlación lineal. Muy bien, pero ¿qué tan cerca? y además, ¿cómo interpretar valores
intermedios? La respuesta no es simple, porque desafortunadamente el valor de “r” no puede
interpretarse como directamente proporcional a su magnitud o tamaño. Un valor de r = 0,50 indica
menos que la mitad de la intensidad de asociación con respecto a un valor de r = 1. Desde esta
perspectiva un aumento en r de 0,15 tiene un mayor impacto en la intensidad de la asociación cuanto
mayor sea el valor de “r”; ya que la ganancia marginal en precisión al estimar un valor dado de “Y”
será mayor. Esto se apreciará mejor en cuando se estudie el tema de regresión.

EL cuadro 2 y la figura 4 muestran el error de predicción en porcentaje para diferentes valores de

“r”. Puede observarse claramente que la relación entre “r” y el error de predicción (Syx) es no
lineal. Una reducción en el error de predicción de 50% se obtiene cuando el valor de “r” es 0,87
(Δr= 1-0.87 = 0,13). El siguiente incremento de 0,75 a 0,87 (Δr = 0,12) sólo proporciona un 16%
adicional en la reducción del error de predicción. Por otra parte si observamos la reducción en el
error de predicción para valores de “r” cercanos a cero podemos apreciar que la ganancia es aún
menor. Un incremento de “r” de 0 a 0,10 resulta en una reducción en el error de predicción de tan
solo 1%.

Cuadro 2: Relación entre el coeficiente de correlación lineal y el error de predicción*

coeficiente de correlación % Error de predicción %

100 0
87 50
75 66
50 87
40 92
25 97
10 99
0 100
* Syx= Sy (1- r2) ½
 7

100
90

Error de predicción (%)

80
70
60
50
40
30
20
10
0
0 20 40 60 80 100
r (%)

Figura 4: Relación entre el coeficiente de correlación y el error de predicción.

6.2. Proporción de la variabilidad explicada

Supongamos que para una especie determinada la relación peso (gr) y tamaño de la huella tiene
un coeficiente de correlación de 0,80. Esto indica que parte de la variación en peso de los animales
está asociada con la variación en tamaño de la huella y que además la relación es positiva. Sin
embargo la covariación o correlación no es perfecta; ya que la variabilidad en peso no puede ser
explicada totalmente por la variabilidad en tamaño de la huella. Alguna proporción de la variación
en peso está asociada a otros factores tales como estado fisiológico del animal, sexo o edad.

El coeficiente de correlación nos permite determinar la proporción de la variabilidad total en peso

asociada con la variación en tamaño de la huella. La proporción no asociada con la variabilidad en
tamaño de la huella se denomina variabilidad no explicada o error. El error representa la variabilidad
asociada a otras variables explicativas no consideradas en el análisis de correlación simple. Cuando
dos o más variables se asocian con una variable dependiente la correlación se denomina múltiple.

Para proseguir con nuestro análisis la variabilidad, la variabilidad en peso debe expresarse en
términos de la varianza (S2). Si los valores difieren drásticamente entre sí (datos muy heterogéneos)
el valor de S2 será grande; por otra parte, si son relativamente homogéneos, S2 será pequeña; y si
todos los datos tienen el mismo peso, S2 será cero (no existe variabilidad).

La variación total puede dividirse en dos componentes: variación asociada al factor tamaño de la
huella y variación asociada a otros factores o error (cuadro 3). Para hacer esta división, el valor de
“r” debe expresarse en términos de R2 (coeficiente de determinación). Si el peso de la muestra tiene
una varianza de S2 = 2,60 kg 2 y el coeficiente de correlación lineal es 0,80; la variación total en
peso se puede dividir de la siguiente manera:
 8

Cuadro 3: Partición de la variabilidad total en peso en variabilidad asociada al tamaño de la huella y

a otras factores o variabilidad no explicada.

Variación total Variación asociada Variación asociada

= +
en peso con tamaño de huella con otros factores
S2 = R2 + 1- R2
2,6 Kgr2 = 1,664 Kgr2 + 0,936 Kgr2
100 % = 64% + 36%

Para nuestro ejemplo, el 64 % de la variabilidad en peso está explicada por la variación en la

dimensión de las huellas y el remanente 36 % (error) está asociada a otros factores no medidos. Los
cálculos anteriores elaborados bajo el supuesto de linealidad o aditividad indican que R2 expresa la
proporción de la variabilidad en Y asociada con la variabilidad en X; o sea la covarianza al cuadrado
como se muestra a continuación.

R2 = (Syx)2 / S2x * S2y (5)

Donde, Sx es la desviación estándar de X, (Sy) es la desviación estándar de Y y Covxy la covarianza

entre X y Y

El concepto de variabilidad explicada permite entender mejor porque un coeficiente de

correlación de 0,50 indica menos que la mitad de la intensidad de la correlación mostrada por una
asociación perfecta. Para explicar el 50 % de la variabilidad se requiere un coeficiente de
correlación de 0,71 (0,71*0,741= 0,50).

4. Correlación no es sinónimo de causa-efecto

Al evaluar la correlación entre dos variables no se debe incurrir en el error de utilizar el valor de
“r” como argumento para indicar que existe una relación de causa-efecto. Es sumamente importante
no confundir ambos términos. No siempre un alto grado de correlación entre dos variables implica
necesariamente que exista una relación de causa-efecto. Si deseamos argumentar sobre una relación
de causa-efecto, debemos considerar elementos biológicos, físicos, químicos, económicos o de otra
índole y no solo el valor del coeficiente de correlación.

Dos variables pueden presentar un alto grado de correlación por diferentes motivos como se
ilustra en la figura 5. Por ejemplo, la variación en X puede ser la responsable de la variación en Y o
viceversa. También pueden existir otros factores que afecten tanto a X como a Y (ver efecto de
confusión). Por ejemplo, la respuesta de una planta a un determinado fertilizante puede estar
afectada por el pH, la fertilidad inicial del suelo y época de aplicación del fertilizante. En otras
ocasiones dos cosas o eventos ocurren al mismo tiempo pero sin embargo no están correlacionados y
mucho menos uno es causa del otro.
 9

Figura 5: La presencia de la mariposa y la abeja está correlacionada con la presencia de la planta

(existe una relación de causa efecto). Sin embargo, la presencia de la abeja, aunque está
correlacionada con la presencia de la mariposa y viceversa, no implica una relación de causa-efecto.
En este caso la presencia de la planta es lo que explica la presencia de la abeja y la mariposa.

5. ¿De qué depende la intensidad de la correlación?

El grado o intensidad de la correlación es afectada por los siguientes factores:

1. Principio de linealidad
La figura 6 muestra tres diagramas de dispersión con sus respectivas curvas de mejor ajuste. En
el diagrama A el grado de correlación es moderado, en tanto que en el B es alto. La figura indica
que cuanto mayor sea el número de observaciones que se ubiquen alrededor de la línea de mejor
ajuste mayor será el valor de “r”.

Por otra parte cuando una recta no describe adecuadamente la relación entre X y Y, como es el
caso de la figura 6C, se dice que las observaciones no satisfacen el principio de linealidad de
regresión. Esto no implica que los datos no estén correlacionados, simplemente significa que la
relación es no lineal. La relación del diagrama 6C es curvilínea y si calculamos el valor de “r”
encontraríamos que es muy pequeño y posiblemente cercano a cero. Esta gráfica ilustra claramente
que si la relación es curvilínea, el coeficiente de correlación de Pearson subestimará en gran medida
la intensidad de la asociación. El coeficiente de correlación de Pearson solo debe usarse con
distribuciones bivariables que no se aparten sensiblemente del principio de linealidad.
 10

Figura 6: Diagramas de dispersión mostrando la tendencia de las observaciones para diferentes

intensidades de correlación. Observe que en los datos de la gráfica C no existe correlación lineal.

2. Ámbito de las observaciones

El ámbito o dispersión de los valores de X y Y afectan sustancialmente la intensidad de la
correlación como puede apreciarse en la figura 7. La figura de la izquierda contiene la totalidad de
las observaciones de diámetro y altura; en tanto que la figura de la derecha sólo contiene aquellas
observaciones cuyo diámetro es inferior a 19 cm.

El coeficiente de correlación para la totalidad de las observaciones es 0,73; en tanto que para el
subset es 0,13. Esto nos indica que, dada una relación lineal, la magnitud del coeficiente de
correlación depende del grado de variabilidad de los datos. Si mantenemos constantes los otros
factores que afectan el valor de “r”, restringiendo el ámbito de X y Y reduciremos el valor del
coeficiente de correlación.

45 30

40
r = 0,729 25
35 r = 0,132
altura total (m)
altura total (m)

30 20

25
15
20
15 10

10
5
5
0 0
0 10 20 30 40 50 60 70 80 0 5 10 15 20
d (cm) d (cm)

Figura 7: Efecto del ámbito de las observaciones en el valor del coeficiente de correlación lineal de
Pearson.

3. Unidad de medición y codificación de los datos

El valor de “r” refleja el grado de correspondencia entre las posiciones relativas de X y Y. Por
esta razón, ni la intensidad ni la dirección del coeficiente de correlación son afectadas por la unidad
de medición ni por transformaciones que impliquen el uso de una constante y de operaciones alge-
braicas tales como suma, resta, multiplicación y división.
 11

Las posiciones relativas de X y Y no son afectadas por las transformaciones indicadas

previamente y por lo tanto no afectan el valor de “r”. Por ejemplo, la posición relativa del peso de
un animal en una serie estadística será la misma indistintamente de si su peso se mide en gramos ó
kilogramos.

4. Variación muestral
Al igual que la media o la desviación estándar, el coeficiente de correlación se obtiene a partir de
una muestra y por lo tanto está sujeto a las leyes del azar; las cuales se expresan en variabilidad. El
valor de “r” para una muestra es diferente al valor de la población (ρ). Si la muestra es
representativa y lo suficientemente grande se esperaría que la discrepancia o error sea mínimo. El
coeficiente de correlación para una muestra no es el coeficiente de correlación poblacional, sino
simplemente un valor que responde a las características de la muestra seleccionada.

7. Significancia de r: Prueba de hipótesis

El coeficiente de correlación para la población se designa con la letra griega ( ρ) y al igual que
otros parámetros estadísticos es una constante desconocida. Cuando estimamos su valor a partir de
una muestra podemos hacernos las siguientes preguntas:

1. ¿Es el valor de “r” estadísticamente diferente de cero?; o en otras palabras ¿ existe

correlación entre X y Y ?
2. ¿Es el valor de r igual a un valor dado, por ejemplo 0,90?

La prueba de hipótesis permite discernir si el valor de “r” se debe a la correlación entre X y Y o si

es el resultado del azar. A continuación se ilustra el uso de la distribución “t” de Estudiante para
someter a prueba esta hipótesis.

En la sección tres se calculó un coeficiente de correlación lineal de 0,97 para cuatro valores de
diámetro y altura. A simple vista pareciera que la relación es lo suficientemente fuerte y positiva (lo
cual tiene sentido biológico) como para suponer que efectivamente existe una relación entre ambas
variables; sin embargo ¿es el valor de “r” significativamente diferente de cero? Para responder a esta
pregunta debemos realizar una prueba de hipótesis de dos colas.

Dado un conjunto de pares de observaciones no correlacionadas de una distribución normal

bivariada, la distribución muestral de “r” sigue una distribución t de Estudiante con n-2 grados de
libertad. Esta afirmación es válida incluso si los valores observados no son normales, siempre y
cuando el tamaño de muestra no sea muy pequeño. Los percentiles de la distribución “t” de
Estudiante con n-2 grados de libertar se utilizan para someter a prueba la hipótesis Ho: ρ = 0; o sea
X y Y no están linealmente correlacionados. La fórmula del estadístico de prueba es:

(6)
 12

Los valores de t calculados se comparan con valores críticos obtenidos de la distribución “t” de
Estudiante con n-2 grados de libertad.

Para la determinación de los valores críticos de “r” se utiliza la transformación inversa:

(7)

El intervalo de confianza para “ρ” de Pearson se basa en la transformación “r” a “z” de Fisher. Si
los pares ordenados (X,Y) tienen una distribución bivariable normal y son independientes, entonces
Z es aproximadamente normal con media igual a:

(8)

Y su error estándar igual a:

, donde N es el tamaño de la muestra.

Una vez determinado el valor de “z”, el intervalo de confianza para ρ es igual a:

z ± (valor de z para nivel de confianza deseado) x (error estándar)

El valor de “z” puede convertirse a “r” mediante la siguiente ecuación:

(9)

EJEMPLO

1. Calcular r:
r = 0,97

2. Hipótesis nula y alternativa

Ho: ρ = 0
Ha: ρ <> = 0

3. Elegir el valor de alfa crítico. Recuerde que debe elegir dicho valor antes de realizar la prueba de
hipótesis. Para el presente ejercicio se eligió del valor de 0,05 (recuerde que usted puede elegir
cualquier valor inferior o igual a 0,1)
 13

4. Estadístico de prueba y P calculado

4-2
0,5
t = 0,97 * [ -------------------]
1- (0,97*0,97)

t = 5,708

Si usted busca el valor 5,708 en una tabla “t” de Estudiante con n-2 grados de libertad (en este caso
4-2=2) encontrará que corresponde a una probabilidad de 0,0293 (este es el valor de P calculado por
los paquetes estadísticos).

5. Decisión
Ho se rechaza si el valor de P calculado es menor que el alfa elegido (P critico).

En este caso el valor de P calculado (0,0293) es menor que el valor de P critico (0,05) y por tanto
se rechaza Ho a un nivel de significancia de 5%.

6. Conclusión
A un nivel de significancia de 5% la muestra provee suficiente evidencia estadística para suponer
que las variables provienen de una población con un coeficiente de correlación lineal diferente de 0.
Por tanto para la muestra en estudio se concluye que el diámetro y la altura están linealmente
correlacionados (P < 0,05).

Es posible que la conclusión no le sorprenda ya que biológicamente existe una relación entre el
diámetro y altura; además, el valor del coeficiente de correlación es lo suficientemente alto como
para suponer que tal correlación existe. Sin embargo debemos estar conscientes de que el tamaño de
muestra determina los grados de libertad y este a su vez juega un papel importante en la
determinación de la significancia de “r” como puede observarse en el siguiente cuadro.

Cuadro 4: Efecto del tamaño de la muestra en la significancia de r.

Pares (X,Y) g.l. r Ho: R = 0

(n) (n-2) Ha: R <>0 (2 colas alfa=0,05)
_______________________________________________________________
12 10 0,55 no rechazar
18 16 - 0,45 no rechazar
22 20 0,45 rechazar Ho
102 100 0,21 rechazar Ho
500 498 - 0,15 rechazar Ho
1002 1000 0,10 rechazar Ho
 14

Observe como para un “r” de 0,10 con n=1.002 se rechaza la hipótesis nula, en tanto que para un
“r” de 0,55 con n=12 no se rechaza. El factor que controla la decisión de rechazar o no rechazar Ho
es el número de observaciones (grados de libertad). Para muestras muy grandes (e.g. 500 o 1.000
pares de observaciones), coeficientes de correlación relativamente pequeños serán significativos en
tanto que con muestras pequeñas sucederá lo opuesto.

Al evaluar los resultados de la prueba de hipótesis debemos diferenciar entre significancia

estadística e importancia o aplicación de los resultados y los argumentos lógicos que sustentan la
correlación. El no rechazar la hipótesis nula no significa que no exista una correlación entre las
variables en estudio; así como el rechazarla tampoco nos asegura que exista tal relación. Los
ejemplos del cuadro cuatro ilustran este punto. La conclusión final debe basarse tanto en el análisis
de la evidencia estadística como en el conocimiento del tema en estudio.

El intervalo de confianza para ρ es igual a:

1. Convertir r a z
z = 0,5 ln [( 1+0,97)/ 1- 0,9] = 2.09229572

2. Calcular error estándar

EE= 1 /(4-2)0,5 = 0,7071

3. Calcular IC para ρ
Para un nivel de confianza de 95% el valor de Z es igual a 1,96.
Límite superior: z= 2.09229572 +1,96 *0,7071 =3, 4782
Límite inferior: z= 2.09229572 - 1,96 *0,7071 = 0,706379

4. Convertir valores de z a r:
Límite superior: r= e 2*3, 4782-1 / e 2*3, 4782 +1 = 0,998
Límite inferior: r= e 2*0,706379-1 / e 2*0,706379 +1 =0,608

Y el intervalo de confianza es: 0,608 < ρ < 0,998. Dado el set datos analizado, tenemos una
confianza de 95% de que el parámetro de la población se entre 0,608 y 0,998.

EJEMPLO 2
¿Cuál es el coeficiente de correlación para los datos de diámetro y altura del archivo
d_h_jaul.xlsx? Es el coeficiente diferente de cero a un nivel de confianza del 99%? El
procedimiento a seguir es:

1. Diagrama de dispersión
2. Calcular r
3. Plantear hipótesis nula y alternativa
4. Elegir el valor de alfa crítico (“p” crítico)
 15

5. Estadístico de prueba y “p” calculado

6. Decisión
7. Conclusión

A continuación se muestra cómo utilizar XlStaticis para realizar la prueba de hipótesis.

1. Diagrama de dispersión
El grafico muestra que existe una correlación lineal entre las variables diámetro (cm) y altura
total (m).

45
40
r = 0,78
35
altura total (m)

30
25
20
15
10
5
0
0 10 20 30 40 50 60 70 80
d (cm)

Figura 8: Diagrama de dispersión para diámetro (cm) y altura total (m) de Jaúl.

2. Calcular r
Single-variable
altura total (m) diámetro (cm)
Number 46 Number 46
Two-variable Mean 27.739 Mean 35.652
Number 46 St Dev 6.3541 St Dev 15.651
Covariance 77.752 Min 15 Min 10
Correlation 0.7818 Max 42 Max 68
R 0.6113
2
Median 28.5 Median 33.5
Correlation Coeff
Correlation 0.781847

El coeficiente de correlación lineal de Pearson para las variables diámetro (cm) y altura total (m) es
0,78.

3. Plantear las hipótesis nula y alternativa

HO: ρ = 0
Ha: ρ ≠ 0
 16

3. Elegir el valor de alfa crítico

El alfa crítico elegido es 0,01.

4. Estadístico de prueba y “p” calculado

Observe que se realiza una prueba de dos colas.

El valor de p calculado es 1,41 E-10 o sea 0,00000000014.

5. Decisión
Dado que el valor de “p” calculado es menor que “P” crítico se rechaza Ho.

6. Conclusión
El valor de “p” calculado (1,41 E-10) es inferior al valor del “p” crítico (0.01) y por lo tanto se
concluye que las variables están linealmente correlacionadas.

8. Coeficiente de correlación de órdenes de Spearman

El coeficiente de correlación de Spearman (Rho) se utiliza para cuantificar la intensidad y
dirección de la correlación cuando las variables se miden o se transforman a un nivel de medición
ordinal. Este es un estadístico no paramétrico, ya que su distribución muestral exacta se puede
obtener sin conocer los parámetros de la distribución de probabilidad conjunta de X y Y (como sí es
un requisito con “r” de Pearson). Su valor, al igual que “r” de Pearson se encuentra en el ámbito
[−1≤ Rho ≤ 1]. La interpretación del valor de Rho de Spearman sigue la lógica expuesta para la “r”
de Pearson.

Dados “n” pares de observaciones (X1,Y1), (X2,Y2), ....., (Xn,Yn) para las variables aleatorias X y
Y; para estimar la correlación entre X y Y primero se ordenan los pares de observaciones de mayor a
menor (utilizando X o Y) y luego se les asigna el orden respectivo a cada par X,Y; de esta manera
generamos un conjunto de “n” pares de órdenes, los cuales denotamos como (Rx1,Ry1),
(Rx2,Ry2),.., (Rxn, Ryn).

Si dos observaciones tienen el mismo orden (empates) se les asigna el orden medio (e.g. si las
observaciones correspondientes a los ordenes 8 y 9 son iguales, se les asigna el orden 8,5). La
correlación entre X y Y se obtiene calculando el coeficiente de correlación de Pearson para los pares
de ordenes. La expresión matemática básica para Rho es:

n  Rx * Ry -  Rx *  R y
Rb = ------------------------------------------- (10)
n R2x - (Rx)2 * n R2y - (Ry)2
 17

En ausencia de empates, las siguientes formulas facilitan el cálculo de Rb:

12  Rx * Ry n+1
Ra= --------------------- - 3 ---------- (11)
n (n2 - 1) n-1
6  Di2
Rs= 1 - --------------- (12)
n (n2 - 1)

En donde, n es el número de pares y Di es la diferencia entre Rxi y Ryi.

Cuando se presentan empates el numerador de la ecuación diez se debe modificar de la siguiente

manera:

6 ( Di2 + U + V)
Rs= 1 - ------------------------------ (13)
n (n2 - 1)

1
U = -------  mj (mj2 - 1) (14)
12
1
V= -------  nj (nj2 - 1) (15)
12

En donde mj es el número de empates en X y nj es el número de empates en Y.

La expresión trece sólo considera el efecto de empates en  Di. El denominador de la ecuación

once también puede modificarse para compensar por el efecto de los empates, esto se logra
sustituyendo el término n2_n por la media geométrica de U y V como se muestra a continuación:

n (n2 - 1) - 6 (  Di2 + U + V
Rs = --------------------------------------------------------------- (16)
{n (n2 - 1) - 12 U } * { n (n2 - 1) - 12 U }0,5

El coeficiente Rb es un estimador apropiado para evaluar la correlación entre X y Y cuando la

presencia de empates expresan concordancia (i.e. opiniones de dos personas sobre un determinado
número de productos o situaciones). Por otro lado, Ra es apropiado para medir correlación cuando
una variable representa el ordenamiento de ítems por un individuo y la otra representa un orden
objetivo y conocido. Finalmente, cuando una variable representa tiempo, Ra puede utilizarse como
una medida de tendencia de la serie.

Para observaciones a un nivel de medición de intervalo o razón el coeficiente de correlación de

Spearman brindará resultados algo diferentes comparados con el coeficiente de correlación de
Pearson. Las diferencias se reducen conforme aumenta el tamaño de la muestra.
 18

8.1. Prueba de hipótesis

El estadístico “t” puede utilizarse para someter a prueba la hipótesis Ho: Rho=0. Dado que Ho sea
verdadera, dicho estadístico sigue aproximadamente la distribución t de Estudiante con n-2 grados
de libertad.

, donde “r” corresponde al valor de Rho. (17)

Si se desea calcular un intervalo de confianza para Rho o someter a prueba una hipótesis para un
valor de Rho diferente de cero, se pude utilizar la transformación de Fisher y la distribución Z:

(18)

Donde "ln" es el logaritmo natural y "arctanh" es el inverso de la función hiperbólica.

(19)

A continuación se ilustra el uso de XLStatistics para calcular el valor de Rho para los datos de
diámetro (cm) y altura de Jaúl (m) analizados en la sección anterior.

EJEMPLO
Se desea determinar el coeficiente de correlación de Spearman para el set de datos de diámetro
(cm) y altura de Jaúl (m) analizado previamente. El procedimiento de cálculo es el mismo sugerido
para el coeficiente de correlación de Pearson.

1. Diagrama de dispersión
A continuación se muestran los valores originales y el respectivo orden para cada uno de los pares
de observaciones.

Cuadro 5: Valores originales de diámetro (cm) y altura total (m) y el respectivo orden para cada uno
de los pares de observaciones.

Diámetro Altura Orden Orden altura Orden Orden

(cm) total (m) diámetro * total * Diámetro** Altura total**
40 30 19 15 16.5 19
10 15 46 46 46 46
33 33 24 9 10 25.5
45 33 11 9 10 13.5
33 29 24 19 21 25.5
41 27 18 28 29 18
13 17 45 44 44.5 45
 19

diámetro altura orden orden altura Diámetro* Altura total**

(cm) total (m) diámetro total
45 29 11 19 21 13.5
39 29 20 19 21 21
33 35 24 6 6.5 25.5
17 20 39 38 39.5 41
17 22 39 36 36 41
28 30 28 15 16.5 29
26 20 31 38 39.5 31
22 27 35 28 29 35
17 18 39 43 43 41
17 20 39 38 39.5 41
17 17 39 44 44.5 41
39 31 20 13 13.5 21
42 28 17 24 25.5 17
56 29 5 19 21 5.5
54 30 8 15 16.5 8
62 33 3 9 10 3
45 28 11 24 25.5 13.5
33 24 24 32 33 25.5
34 23 23 35 35 23
25 24 32 32 33 32
67 42 2 1 1 2
68 36 1 5 5 1
55 32 7 12 12 7
45 28 11 24 25.5 13.5
51 37 10 3 3.5 10
45 37 11 3 3.5 13.5
20 20 36 38 39.5 36.5
23 30 33 15 16.5 33.5
14 24 44 32 33 44
23 21 33 37 37 33.5
20 26 36 31 31 36.5
28 35 28 6 6.5 29
19 19 38 42 42 38
39 29 20 19 21 21
45 27 11 28 29 13.5
28 31 28 13 13.5 29
56 34 5 8 8 5.5
59 39 4 2 2 4
52 28 9 24 25.5 9
Nota: la función jerarquía de Excel permite calcular del orden de cada observación.
* No considera empates. ** Considera empates.
 20

50 50
45 A 45 r = 0,75
B
r = 0.75
40 40
35 35

orden altura
orden altura

30 30
25 25
20 20
15 15
10 10
5 5
0 0
0 10 20 30 40 50 0 10 20 30 40 50
orden diámetro orden diámetro

Figura 9: Diagrama de dispersión para ordenes de diámetro (cm) y altura total (m) de Jaúl.
A. Considera empates. B. No considera empates.

2. Calcular Rho
Spearman's Rank Coefficient (rho)
Correlation Coeff
r 0.74987615

El coeficiente de correlación lineal de Spearman para los órdenes de diámetro (cm) y altura total
(m) es 0,75. Note su similitud con el valor del coeficiente de correlación de Pearson. El coeficiente
de determinación para el coeficiente de correlación de Spearman puede aproximarse como Rb2. En
este caso Rb2 es igual a 0,56. Los resultados indican que aproximadamente el 56 de la variación en
altura puede atribuirse a la variación den diámetro.

3. Plantear las hipótesis nula y alternativa

HO: ρ = 0
Ha: ρ ≠ 0

3. Elegir el valor de alfa crítico

El alfa crítico elegido es 0,01.

4. Estadístico de prueba y “p” calculado

El valor de p calculado es 2 E-10 o

sea 0,0000000002.
 21

5. Decisión
Dado que el valor de “p” calculado es menor que “P” crítico se rechaza Ho.

6. Conclusión
El valor de “p” calculado (1,41 E-10) es inferior al valor del “p” crítico (0.01) y por lo tanto se
concluye que las variables están linealmente correlacionadas.

9. Coeficiente de correlación de órdenes de Kendall's (Tau-a y Tau-b)

El coeficiente de correlación de rangos de Kendall, conocido como el coeficiente tau de Kendall
(τ), es otro estadístico no paramétrico utilizado para medir la asociación entre los órdenes de dos
variables. Este coeficiente es particularmente útil para medir la concordancia (o ausencia de ella) al
evaluarse un set idéntico de condiciones por dos personas o grupos. Por ejemplo, dados cuatro
métodos de impartir una clase (M1, M2, M3, M4) cómo serían ordenados por dos alumnos en una
escala de uno a cuatro, donde uno es mejor y cuatro peor.

La fórmula de tau de Kendall es:

τ = (número de pares concordantes – numero de pares no concordantes) / 0,5n * (n-1) (20)

A la formula veinte se le conoce como Tau-a y no hace ningún ajuste por empates entre ordenes.
El denominador corresponde al número total de pares y por tanto el valor del coeficiente se
encuentra en el ámbito −1≤ τ ≤ 1. Cuando existe una total concordancia entre los órdenes de ambas
variables el valor de τ es 1 y cuando el desacuerdo el total, el valor es igual a -1. Si las variables son
independientes, el valor será cercano a cero.

Bajo la hipótesis nula de que X y Y son independientes, la distribución muestral de τ tendrá un

valor esperado de cero. La distribución precisa no puede caracterizarse en términos de distribuciones
comunes, pero se puede calcular exactamente para muestras pequeñas; para muestras más grandes
(de al menos 10 pares de observaciones), es común utilizar una aproximación a la distribución
normal, con media cero y varianza igual a:

(21)

Y por lo tanto, para “N” mayor que diez, Ho: ρ=0 puede someterse a prueba transformando ρ en un
valor de Z, el cual tiene una distribuye normal con una media igual a cero y desviación estándar
igual a uno (N~ 0,1).

(22)
El percentil de Z τ debe compararse con el valor del “p” crítico para decidir sobre Ho.
 22

Coeficiente de correlación de órdenes de Kendall (tau-b)

Este coeficiente considera los empates en los órdenes de los datos bajo análisis; su fórmula es:

(23)

Donde:
n0 = n(n-1)/2
n1 = n(n-1)/2
Ʃi ti (ti-1) /2
Ʃj tj (uj-1) /2
nc: número de pares concordantes
nd: número de pares discordantes
ti = número de empates para el ith grupo de empates para la primera variable.
uj = número de empates para el jth grupo de empates para la segunda variable.

EJEMPLO
Se desea determinar el coeficiente de correlación de rangos de Kendall (Tau-b) para el set de datos
de diámetro (cm) y altura de Jaúl (m) analizado previamente. El procedimiento de cálculo es el
mismo sugerido para el coeficiente de correlación de Spearman. El programa XLStatiscis ofrece los
siguientes resultados:

La hipótesis nula es:

H0: τ= 0
HA: τ≠ 0
Nivel de significancia o “p” crítico = 0,001.
Observe que el programa también le permite hacer
Correlation Coeff una prueba de una cola.
tb 0.58019112

Dado que el valor de “p” calculado (1,49 E-08) es menor que “p” crítico (0,001), se concluye que
el el valor del coeficiente de correlación de rangos de Kendall (Tau-b) es diferente de cero y por lo
tanto las variables diámetro y altura están correlacionadas.
 23

9. Bibliografía

Abdi Hervé. The Kendall Rank Correlation Coefficient. In: Neil Salkind (Ed.) (2007). Encyclopedia
of Measurement and Statistics. Thousand Oaks (CA): Sage. Disponible en
http://www.utdallas.edu/~herve/Abdi-KendallCorrelation2007-pretty.pdf. Visitado 10 julio 2012.

Chatillon, C. 1985. Reply on "Some remarks on quick estimation of the correlation coefficient".
The American Statistician 38(4):230-231.

Cleveland, W.S.; Diaconis, P. and McGil, R. 1982. Variables on scatterplots look more highly
correlated when the scales are increased. Science 216 (4550): 1130-1141.

Cui Zhongmin, Li Dongmei, and Tao Wei. 2008. Constructing Bootstrap Confidence Intervals for
Pearson's r .10p. Dsiponible en
http://www.divms.uiowa.edu/~kcowles/s166_2008/taoproject_report.pdf. Visitado 10 julio 2012.

Filliben, J. J. 1975. The probability plot correlation coefficient test for normality. Technometrics
17:111-112.

Goodman, L. A. 1972. Measures of association for cross-classifications, IV: simplification of

asymptotic variances. Jour. of the American Statistical Association 67:415-421.

-------. 1963. Measures of association for cross-classifications, III: approximate sampling theory.
Jour. of the American Statistical Association 58: 310-364.

-----------. 1959. Measures of association for cross-classification, II. further discussion and
references. Jour. of the American Statistical Association 54 (285):123-163.

-----------. 1954. Measures of association for cross-classification. Jour. of the American Statistical
Association 49 (268):732-764.

Helsel, D.R., Mueller, D.K., and Slack, J.R., 2006, Computer program for the Kendall family of
trend tests: U.S. Geological Survey Scientific Investigations Report 2005–5275, 4 p. Disponible en
http://pubs.usgs.gov/sir/2005/5275/pdf/sir2005-5275.pdf. Visitado 15 julio 2012.

Koch, G. G. 1985. A basic demonstration of the -1,1 range for the correlation coefficient. The
American Statistician. 39(3):201-202.

Kruskall, W. H. 1958. Ordinal measures of association. Jour. of the American Statistical

Association 53:814-861.

Kvalseth, T. O. 1985. Cautionary note about R2. The American Statistician. 39(4):Pt.1:279-285.
 24

Pearson, K. 1896. Mathematical contributions to the theory of evolution, III. Regression, heredity
and panmixia. Philosophical Transactions of the Royal Society A. 187:253-318.

Raveh, A. 1985. On quick estimates of Pearson's R from scatter diagrams. The American Statistician
39(3):239-240.

Schilling, M. F. 1984. Some remarks on quick estimation of the correlation coefficient. The
American Statistician 38(4):330.

Somers, R.H. 1968. On the measurement of association. American Sociological Review. 33:291-
292.
----------. 1962. A new asymmetric measure of association for ordinal variables. American
Sociological Review 27:799-811.

Stuart, A. 1963. The estimation and comparison of strengths of association in contingency tables.
Biometrika 40:105-110.

---------. 1963. Calculation of Spearman's rho for ordered two way classifications. American
Statistician 17(4):23-24.

Wagstaff David A., Elek Elvira, Kulis Stephen and Marsiglia Flavio. 2009. Using a Nonparametric
Bootstrap to Obtain a Confidence Interval for Pearson’s r with Cluster Randomized Data: A Case
Study.J Prim Prev.30(5): 497–512. Disponible en
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC2792874/pdf/nihms148193.pdf. Visitado 10 julio
2012.

Yule, G. U. 1912. On the methods of measuring association between two attributes. Jour. of the
Royal Statistical Society 75:579-642.
 25

10. Ejercicios

1. Defina los siguientes conceptos: correlación, distribución bivariable, diagrama de dispersión,

correlación positiva, correlación negativa, dirección de la correlación, principio de linealidad,
varianza explicada, relación no lineal, Rho, Tau.

2. Brinde una lista de pares de variables que en su opinión muestren una correlación positiva.

3. Brinde una lista de pares de variables que en su opinión muestren una correlación negativa.

4. Basado en la gráfica que se muestra a continuación, responda a la siguiente pregunta: ¿Están las
variables “nota” y “tarea” correlacionadas? Argumente su respuesta. ¿Cuál sería su pronóstico
para las siguiente tareas?

90
89
88
87
86
85
Nota

84
83
82
81
80
79
0 1 2 3 4 5 6
Tarea

5. Brinde tres ejemplos en los que usted esperaría que la relación entre X y Y fuera no lineal.

6. Una investigadora selecciona una muestra de 50 árboles al azar de un bosque húmedo Tropical
(bh-T) en la península de Nicoya. Para cada árbol mide el diámetro a la altura del pecho (cm) y
su altura total (m). Luego obtiene un valor de “r” igual a 0.55 y un valor de “p” calculado igual a
0,04. ¿Es el coeficiente de correlación estadísticamente significativo? Otro investigador que
estudia un de bosque húmedo Tropical (bh-T) cerca de Peñas Blancas, frontera norte, decide
utilizar dicho valor de “r” para caracterizar la relación diámetro-altura de su sitio de estudio.
¿Cuál es su opinión al respecto?

7. Suponga que en un estudio sobre cantidad de fertilizante y crecimiento de plántulas en vivero se

obtienen los siguientes resultados:
 26

El valor de r es 0,99 y el valor de “p” calculado es 0,0001. Basado en dichos resultados

recomendaría usted aplicar fertilizante a las plántulas. ¿Por qué? ¿Indica la gráfica que existe una
relación entre la cantidad de fertilizante aplicado y el crecimiento de las plántulas? ¿Se podría
argumentar que esta es una relación de causa-efecto?

8. Grafique los datos del archivo ppt_5_estaciones.xlsx. Luego, calcule el coeficiente de correlación
lineal de Pearson y Rho de Spearman para Coronado-La Marina; Coronado-Quesada; Coronado-Sta.
María. Compare sus resultados. ¿Es la correlación en todos los casos estadísticamente significativa?

9. El archivo biomasa_pochote_laurel.xlsx contiene datos de biomasas seca, diámetro a la altura del

pecho (cm) y altura total (m) para pochote y laurel.
a. Grafique diámetro a la altura del pecho (cm) versus altura total (m) por especie y diámetro a
la altura del pecho (cm) versus biomasa seca por especie. Describa cada grafica. ¿Se podrían
combinar los datos en una sola muestra o se deben analizar por especie? ¿Por qué?
b. Calcule e interprete el coeficiente de correlación lineal de Pearson y Rho de Spearman para el
diámetro y biomasa seca. Grafique los datos.
c. Calcule e interprete el coeficiente de correlación lineal de Pearson y Rho de Spearman para la
altura total y biomasa seca. Grafique los datos.
d. Si usted tuviese que estimar biomasa en función de diámetro o altura total, ¿Cuál variable
utilizaría y porqué?

10. El Ministro de Ambiente realizará una conferencia de prensa para anunciar que durante su
gestión se redujo la tala de bosque. Para esto cuenta con los siguientes datos. Usted como asesor
¿Qué le recomendaría? ¿Por qué?

A continuación se muestra la correlación entre el número de permisos de aprovechamiento forestal

para áreas ubicadas fuera del bosque (No. Perm. FB) y para áreas boscosas (No. Perm. B) para los
últimos 4 años. ¿Cuál es el tamaño de la muestra? ¿Qué observaciones/comentarios puede hacer de
los datos? ¿Cuáles pares de variables muestran correlaciones estadísticamente significativas?
 27

----------------------------------------------------------------
Pearson Correlation Table
========================================================
| Año |No.Perm.FB | No.Perm.B |
-----------+----------+-----------+----------+
Año | | -0.99 | -0.19|
| | (4) | (4) |
| | 0.01 | 0.81|
-----------+----------+-----------+----------+
No.Perm.FB | -0.99| | 0.04|
| (4) | | (4) |
| 0.01| | 0.96|
-----------+----------+-----------+----------+
No.Perm.B | -0.19| 0.04 | |
| (4) | (4) | |
| 0.81| 0.96 | |
-----------+----------+-----------+----------+
Note: the values in the table are listed as follows:
| correlation value |
| (sample size) |
| probability |

Fuente: Basados en datos de SINAC,1999.

A continuación se muestra el volumen autorizado para extracción forestal en áreas fuera del
bosque (Vol m3 FB) y para bosques (Vol m3 B) para el período 1990-1998. También se muestra la
respectiva gráfica. ¿Cuál es el tamaño de la muestra? ¿Existe correlación lineal entre algunas de las
variables en estudio? ¿Qué le indica el signo de r? A qué conclusión se llegaría analizando por
separado los datos de las preguntas 1 y 2. Observe la línea correspondiente a los datos de volumen
aprobado para explotación fuera del bosque; ¿nota algo diferente en dicha línea? ¿Cuál sería su
explicación?
 28

Pearson Correlation Table

========================================================
| Año |Vol(m3)FB | Vol(m3)B |
----------+----------+----------+----------+
Año | | -0.59| -0.57|
| | (5) | (9) |
| | 0.30| 0.11|
----------+----------+----------+----------+
Vol(m3)FB | -0.59| | 0.50|
| (5) | | (5) |
| 0.30| | 0.40|
----------+----------+----------+----------+
Vol(m3)B | -0.57| 0.50| |
| (9) | (5) | |
| 0.11| 0.40| |
----------+----------+----------+----------+
Note: the values in the table are listed as follows:
| correlation value |
| (sample size) |
| probability |

Nota: Basados en datos de SINAC, 1999.